Om te laten zien dat GIS mogelijk is in R, gebruiken we wat open geodata van Den Haag, en maken een map.
Den Haag heeft een aantal kaarten openbaar gemaakt. Wij gebruiken de kaart van blokverwarming, energielabels (p5), en combineren deze met open satellietdata van NASA, en een open street map.
Eerst downloaden en upzippen we de shapefiles van geoportaal-ddh.
# file download & unzip
download.file("http://geoportaal-ddh.opendata.arcgis.com/datasets/9cca53a6a4094a0b80e964b181a484ad_3.zip","blokverwarming.zip", mode="wb")
unzip("blokverwarming.zip")
download.file("http://geoportaal-ddh.opendata.arcgis.com/datasets/ed833f69fb82463ea63d37be00c356c3_0.zip", "energielabels.zip", mode="wb")
unzip("energielabels.zip")
# inputfileblokverwarming
f_blokverwarming <- "blokverwarming_DH.shp"
# inputfile enegielabels
f_energielabels <- "Energielabels_Postcode_5_niveau_Den_Haag_2016.shp"
We lezen de file in met readOGR van package rgdal. En daarna plotten we de polygons met wat kleurtjes, met behulp van base plot.
require(rgdal)
# de layers uit de shapefile
fl_energielabels <- ogrListLayers(f_energielabels) ## het is er slechts 1
# lees de layer in met readOGR
energielabels <- readOGR(f_energielabels,layer=fl_energielabels[1])
## OGR data source with driver: ESRI Shapefile
## Source: "Energielabels_Postcode_5_niveau_Den_Haag_2016.shp", layer: "Energielabels_Postcode_5_niveau_Den_Haag_2016"
## with 844 features
## It has 10 fields
## Integer64 fields read as strings: OBJECTID FREQUENCY labelCodeR MaxSimpTol
# plot de kaart
plot(energielabels,col=colorRampPalette(c("brown", "grey"))(5))
We willen natuurlijk graag laten zien wat de gemiddelde energielabels zijn per p5 gebied. Daarvoor gebruiken we de library tmap. Daarmee kun je vergelijkbaar met ggplot een kaart samenstellen.
require(tmap)
tm_shape(energielabels) +
tm_polygons("MEAN_label", style="jenks", alpha=.5, palette=colorRampPalette(c("green", "red"))(5)) +
tm_compass(type="arrow", position=c("right", "top"), fontsize = 2 ) +
tm_scale_bar()
## Kaart Blokverwarming Nu proberen we de file met blokverwarming in te lezen met readOGR.
# blokverwarming <- readOGR(f_blokverwarming) # geeft een error
Die geeft een error, omdat blokverwarming een multiploint shapefile is. Dat formaat kan niet worden ingelezen met package gdal. We gebruiken st_read uit package sf. (NB readOGR heeft de voorkeur, mits die bruikbaar is natuurlijk.) Vervolgens plotten we de punten met behulp van base plot.
require(sf)
blokverwarming <- st_read(f_blokverwarming)
## Reading layer `blokverwarming_DH' from data source `C:\Users\Elisabeth\Desktop\Fourpoints\Coursera\GIS_in_R_voorbeeld_Den_Haag\blokverwarming_DH.shp' using driver `ESRI Shapefile'
## Simple feature collection with 1 feature and 2 fields
## geometry type: MULTIPOINT
## dimension: XY
## bbox: xmin: 4.222274 ymin: 52.01797 xmax: 4.398967 ymax: 52.11275
## epsg (SRID): 4326
## proj4string: +proj=longlat +datum=WGS84 +no_defs
plot(blokverwarming$geometry,pch='.')
## Kaart Energielabels met Blokverwarming Met behulp van base plot kunnen we de punten van blokverwarming over de p5 van energielabels heen.
# wat gevogel met x en y coordinaten uit het sf object halen
x_blok <- rep(1.1,length(blokverwarming$geometry[[1]])/2)
y_blok <- rep(1.1,length(blokverwarming$geometry[[1]])/2)
for (i in 1:length(blokverwarming$geometry[[1]])/2)
{
x_blok[i] <- blokverwarming$geometry[[1]][i,][1]
y_blok[i] <- blokverwarming$geometry[[1]][i,][2]
i=i+1
}
blokverwarming_xy <- as.data.frame(cbind(x_blok,y_blok))
# plot
plot(energielabels,col=colorRampPalette(c("brown", "grey"))(5))
points(blokverwarming_xy,pch='.',col="blue")
We willen natuurlijk liever zo’n mooie tm_map plot maken.
blokverwarming_sp <- SpatialPoints(coords=blokverwarming_xy, proj4string = CRS(proj4string(energielabels) ) )
tm_shape(energielabels) +
tm_polygons("MEAN_label", style="jenks", alpha=.5, palette=colorRampPalette(c("green", "red"))(5)) +
tm_shape(blokverwarming_sp) +
tm_dots(col="blue",legend.show = FALSE, legend.is.portrait = FALSE ) +
tm_compass(type="arrow", position=c("right", "top"), fontsize = 2 ) +
tm_scale_bar()
## Open Street Map als referentie Alleen de vormen van p5 gebieden zijn eigenlijk niet genoeg voor een kaart. Om een basisreferentie van Den Haag/Nederland te hebben nemen we een OSM als achtergrond. We kunnen bijvoorbeeld ggmap gebruiken.
require(ggmap)
# Den Haag longitude and latitude
DH_loc = c(lon = 4.3, lat = 52.05 )
DH_basemap <- get_map(location = DH_loc, zoom = 12 )
ggmap(DH_basemap)
Maar met de instelling ‘tmap_mode(“view”)’ kun je een in-/uitzomobare kaart maken waar meteen al een basemap ondergeplot wordt. (Alleen kan dan het kompas niet laten zien worden.) Als je helemaal inzoomt kun je precies zien welk kadasterveld blokverwarming heeft.
tmap_mode("view")
tm_shape(energielabels) +
tm_polygons("MEAN_label", style="jenks", alpha=.8, palette=colorRampPalette(c("green", "red"))(5)) +
tm_shape(blokverwarming_sp) +
tm_dots(col="blue",size=0.01) +
tm_scale_bar()
Een veel uitgevoerde bewerking bij het maken van kaarten is spatial join. Hierbij worden twee verschillende kaarten of layers samengevoegd. We voeren nu een spatial join uit van de p5 gebieden met energielabels, en de punten van de blokverwarming. En we maken een kaart met kleurindex op basis van aantal panden met blokverwarming.
a=rep(99999,length(energielabels@polygons))
for ( i in 1:length(energielabels@polygons))
{
a[i]=sum(point.in.polygon(blokverwarming_xy$x_blok,
blokverwarming_xy$y,
energielabels@polygons[[i]]@Polygons[[1]]@coords[,1],
energielabels@polygons[[i]]@Polygons[[1]]@coords[,2]))
i=i+1
}
energielabels$N_blokverwarming<-a
tm_shape(energielabels) +
tm_polygons("N_blokverwarming", style="jenks", alpha=.8, palette=colorRampPalette(c("lightyellow", "brown"))(10)) +
tm_shape(blokverwarming_sp) +
tm_dots(col="blue",size=0.01) +
tm_scale_bar()
Laten we ze naast elkaar plotten om ze te vergelijken.
tmap_mode("plot")
plot1 <- tm_shape(energielabels) +
tm_polygons("MEAN_label", style="jenks", alpha=.8, palette=colorRampPalette(c("green", "red"))(5))+
tm_compass(type="arrow", position=c("right", "top"), fontsize = 2 ) +
tm_scale_bar()
plot2 <- tm_shape(energielabels) +
tm_polygons("N_blokverwarming", style="jenks", alpha=.8, palette=colorRampPalette(c("lightyellow", "brown"))(10)) +
tm_compass(type="arrow", position=c("right", "top"), fontsize = 2 ) +
tm_scale_bar()
require(grid)
grid.newpage()
pushViewport(viewport(layout=grid.layout(1,2)))
print(plot1, vp=viewport(layout.pos.col = 1))
print(plot2, vp=viewport(layout.pos.col = 2))
Het lijkt niet gecorreleerd te zijn, maar we testen het lekker toch. Eerst kijken we of energielabel normaal verdeeld is. Helaas is dat niet zo, ook niet na een logtransformatie.
hist(energielabels$MEAN_label)
hist(log10(energielabels$MEAN_label))
## Raster Satelliet Data Op de website van de VU (“http://geoplaza.vu.nl/data/dataset/topraster”) heb ik een raster kaart gevonden (.tif). Helaas lukt het niet om deze vanuit R te downloaden, maar de file staat in de github. Het gaat om topografische rasterdata. Dit houdt in dat elk vierkantje (raster) een kleur heeft gekregen voor een bepaald soort bodemgebruik. Deze kleur bestaat uit drie waarden (RGB). Het gaat hier dus om een 3 layer .tif. We lezen de drie lagen apart in, en plotten ze. Als je R zelf de kleuren laat kiezen krijg je bij elke laag dezelfde, ‘groenig’.
require(raster)
r1 = raster("Top_250_raster_(2009)-1516618615.tif", band = 1)
r2 = raster("Top_250_raster_(2009)-1516618615.tif", band = 2)
r3 = raster("Top_250_raster_(2009)-1516618615.tif", band = 3)
plot(r1); plot(r2); plot(r3)
Eigenlijk hebben we daar niet zoveel aan. We willen de drie lagen natuurlijk over elkaar bekijken. Met het stack() commando kunnen we drie lagen in één keer inlezen. Met plotRGB() kunnen we de drie lagen over elkaar heen plotten, en krijgen we de keuren te zien zoals ze bedoeld zijn.
r=stack("Top_250_raster_(2009)-1516618615.tif")
plotRGB(r)
Voor de grap kunnen we ook een spatialJoin doen, bijvoorbeeld de gemiddelde waardes (RGB) per stadsdeel berekenen. Gewoon puur om te laten zien dat het kan, want een dergelijke join geeft natuurlijk helemaal geen informatie. (Pas op, duurt lang om dit chunk te runnen…)
# met extract kunnen we per polygon een functie toepassen. bijvoorbeeld mean.
v1 <- extract(r1, energielabels, fun = mean)
v2 <- extract(r2, energielabels, fun = mean)
v3 <- extract(r3, energielabels, fun = mean)
v1 <- round(v1,0)
v2 <- round(v2,0)
v3 <- round(v3,0)
output = data.frame(cbind(v1,v2,v3))
names(output) = c("R","G","B")
print(output)
## R G B
## 1 122 70 66
## 2 114 83 85
## 3 188 127 25
## 4 146 80 70
## 5 118 89 104
## 6 242 159 51
## 7 181 135 107
## 8 142 117 8
## 9 188 146 9
## 10 121 155 128
## 11 205 152 28
## 12 164 162 110
## 13 72 181 226
## 14 210 165 67
## 15 137 150 147
## 16 210 170 8
## 17 171 135 8
## 18 94 76 8
## 19 148 131 64
## 20 164 111 34
## 21 220 164 32
## 22 234 164 185
## 23 116 88 79
## 24 85 34 94
## 25 101 158 171
## 26 122 130 152
## 27 154 137 122
## 28 167 125 97
## 29 218 184 7
## 30 225 181 15
## 31 244 188 19
## 32 231 144 48
## 33 242 144 59
## 34 240 182 26
## 35 244 196 19
## 36 243 165 43
## 37 155 143 64
## 38 240 154 81
## 39 182 168 97
## 40 100 106 102
## 41 185 19 94
## 42 179 53 72
## 43 221 126 44
## 44 199 145 22
## 45 232 191 9
## 46 128 143 121
## 47 175 169 66
## 48 106 136 27
## 49 162 158 11
## 50 220 185 11
## 51 203 191 44
## 52 220 135 52
## 53 236 156 54
## 54 191 147 29
## 55 220 181 8
## 56 201 187 42
## 57 180 167 56
## 58 226 188 7
## 59 209 176 7
## 60 172 161 38
## 61 222 198 34
## 62 229 199 26
## 63 248 202 8
## 64 248 203 8
## 65 129 182 114
## 66 202 186 43
## 67 243 201 13
## 68 206 193 47
## 69 181 166 19
## 70 160 166 44
## 71 184 174 36
## 72 204 169 8
## 73 184 157 10
## 74 190 152 7
## 75 231 187 8
## 76 187 173 47
## 77 185 148 8
## 78 145 144 68
## 79 224 183 13
## 80 205 161 8
## 81 181 141 9
## 82 179 157 6
## 83 238 191 8
## 84 147 157 72
## 85 156 184 95
## 86 167 157 41
## 87 218 169 8
## 88 162 148 41
## 89 244 195 8
## 90 173 169 60
## 91 205 172 25
## 92 204 157 8
## 93 183 171 43
## 94 225 191 22
## 95 240 193 8
## 96 242 196 8
## 97 231 183 8
## 98 205 166 12
## 99 131 142 107
## 100 77 170 165
## 101 73 169 171
## 102 219 183 7
## 103 184 153 8
## 104 162 158 46
## 105 198 161 21
## 106 217 194 33
## 107 199 192 53
## 108 190 160 16
## 109 143 128 35
## 110 248 208 8
## 111 145 112 8
## 112 248 202 8
## 113 248 202 8
## 114 248 203 8
## 115 242 198 8
## 116 222 197 35
## 117 182 163 80
## 118 244 199 8
## 119 248 202 8
## 120 189 168 6
## 121 166 186 85
## 122 199 163 8
## 123 105 86 8
## 124 136 145 58
## 125 165 129 41
## 126 176 150 20
## 127 130 108 8
## 128 209 195 49
## 129 196 172 9
## 130 248 202 8
## 131 194 160 8
## 132 125 158 91
## 133 247 202 9
## 134 190 192 67
## 135 112 175 132
## 136 245 201 12
## 137 245 202 13
## 138 248 203 8
## 139 229 196 22
## 140 248 200 8
## 141 175 135 8
## 142 177 176 44
## 143 152 169 87
## 144 248 203 8
## 145 218 153 32
## 146 189 113 32
## 147 180 140 24
## 148 193 163 8
## 149 227 29 117
## 150 248 203 8
## 151 204 169 8
## 152 219 132 41
## 153 245 182 29
## 154 199 162 70
## 155 214 175 10
## 156 210 176 21
## 157 204 169 13
## 158 174 146 17
## 159 226 187 8
## 160 183 149 8
## 161 193 157 8
## 162 167 134 8
## 163 216 177 8
## 164 198 150 8
## 165 170 152 29
## 166 170 151 39
## 167 193 158 21
## 168 243 197 8
## 169 202 167 8
## 170 195 150 8
## 171 157 128 8
## 172 183 160 24
## 173 224 184 10
## 174 90 73 12
## 175 212 194 44
## 176 160 169 60
## 177 194 158 8
## 178 184 178 41
## 179 192 187 64
## 180 221 190 23
## 181 120 151 86
## 182 241 185 21
## 183 247 193 17
## 184 193 169 6
## 185 169 146 7
## 186 227 183 10
## 187 220 168 23
## 188 183 75 55
## 189 187 11 95
## 190 173 40 70
## 191 191 169 6
## 192 203 182 5
## 193 219 137 33
## 194 215 154 21
## 195 214 187 6
## 196 215 183 7
## 197 203 167 8
## 198 233 193 8
## 199 226 155 26
## 200 189 72 59
## 201 246 184 28
## 202 248 202 8
## 203 237 182 20
## 204 228 170 25
## 205 182 30 84
## 206 183 18 89
## 207 194 44 81
## 208 202 76 63
## 209 210 95 54
## 210 215 185 27
## 211 248 202 9
## 212 136 140 54
## 213 204 119 36
## 214 248 204 8
## 215 248 203 8
## 216 248 203 8
## 217 182 122 27
## 218 222 185 7
## 219 213 178 7
## 220 210 187 4
## 221 248 201 8
## 222 204 176 6
## 223 247 201 8
## 224 248 200 8
## 225 206 168 8
## 226 157 87 34
## 227 216 178 8
## 228 248 202 8
## 229 248 202 8
## 230 248 203 8
## 231 248 203 8
## 232 248 203 8
## 233 248 202 8
## 234 233 198 18
## 235 225 194 24
## 236 160 130 8
## 237 218 177 8
## 238 248 200 8
## 239 248 202 8
## 240 248 203 8
## 241 248 202 8
## 242 248 202 8
## 243 184 190 68
## 244 248 203 8
## 245 231 199 24
## 246 248 202 8
## 247 248 203 8
## 248 215 176 8
## 249 217 178 8
## 250 248 203 8
## 251 248 202 8
## 252 224 186 16
## 253 248 203 8
## 254 239 199 14
## 255 248 203 8
## 256 135 86 100
## 257 248 200 8
## 258 168 98 32
## 259 248 202 8
## 260 248 203 8
## 261 222 176 13
## 262 248 202 8
## 263 200 148 8
## 264 192 137 8
## 265 248 203 8
## 266 248 202 8
## 267 175 144 8
## 268 193 163 54
## 269 174 97 21
## 270 217 160 26
## 271 214 98 66
## 272 245 200 8
## 273 247 202 8
## 274 186 111 67
## 275 178 141 9
## 276 248 200 8
## 277 148 122 8
## 278 170 135 19
## 279 122 107 32
## 280 199 12 100
## 281 224 165 20
## 282 241 150 43
## 283 175 149 8
## 284 237 193 8
## 285 170 113 23
## 286 182 57 64
## 287 195 10 100
## 288 182 65 59
## 289 233 188 10
## 290 217 178 8
## 291 186 155 8
## 292 178 170 7
## 293 139 156 8
## 294 203 167 14
## 295 251 234 2
## 296 225 184 8
## 297 221 167 18
## 298 204 150 17
## 299 184 160 6
## 300 200 172 6
## 301 147 161 33
## 302 175 103 32
## 303 215 188 6
## 304 217 177 11
## 305 242 198 8
## 306 248 202 8
## 307 216 182 7
## 308 243 154 56
## 309 222 185 7
## 310 248 203 8
## 311 211 173 8
## 312 212 172 9
## 313 215 160 19
## 314 229 187 8
## 315 172 149 7
## 316 217 185 6
## 317 213 178 7
## 318 225 163 28
## 319 247 202 8
## 320 224 171 15
## 321 248 202 8
## 322 248 202 8
## 323 173 44 67
## 324 215 154 29
## 325 212 179 7
## 326 196 29 89
## 327 192 140 48
## 328 202 155 113
## 329 164 94 146
## 330 199 123 33
## 331 215 175 8
## 332 246 196 21
## 333 159 21 90
## 334 248 203 8
## 335 248 203 8
## 336 234 199 21
## 337 105 66 94
## 338 198 107 63
## 339 248 203 8
## 340 217 185 7
## 341 248 203 8
## 342 248 202 8
## 343 243 202 12
## 344 183 131 8
## 345 236 191 8
## 346 239 196 8
## 347 223 184 18
## 348 248 203 8
## 349 248 202 8
## 350 248 203 8
## 351 247 198 12
## 352 184 127 128
## 353 165 151 99
## 354 199 193 141
## 355 183 142 57
## 356 241 159 51
## 357 242 199 8
## 358 248 203 8
## 359 224 176 8
## 360 185 136 8
## 361 239 189 8
## 362 214 180 7
## 363 234 185 8
## 364 231 181 13
## 365 248 203 8
## 366 239 196 8
## 367 181 38 93
## 368 248 203 8
## 369 248 203 8
## 370 248 203 8
## 371 221 195 5
## 372 204 187 3
## 373 248 202 8
## 374 248 203 8
## 375 248 203 8
## 376 248 203 8
## 377 245 200 8
## 378 247 202 8
## 379 191 132 8
## 380 204 182 5
## 381 189 136 8
## 382 248 202 8
## 383 229 187 8
## 384 248 203 8
## 385 159 135 8
## 386 204 174 7
## 387 183 161 6
## 388 149 175 78
## 389 247 201 11
## 390 188 170 21
## 391 248 203 8
## 392 233 193 8
## 393 248 202 8
## 394 198 105 41
## 395 202 172 7
## 396 204 173 7
## 397 204 171 8
## 398 218 191 5
## 399 231 193 7
## 400 240 196 8
## 401 195 185 47
## 402 210 189 72
## 403 226 182 8
## 404 225 181 8
## 405 121 99 8
## 406 212 194 182
## 407 224 184 8
## 408 232 190 18
## 409 222 185 25
## 410 244 199 8
## 411 202 175 32
## 412 200 174 20
## 413 203 166 8
## 414 178 177 51
## 415 210 177 11
## 416 210 177 9
## 417 163 157 39
## 418 183 165 46
## 419 178 152 29
## 420 165 144 10
## 421 157 23 71
## 422 233 191 8
## 423 248 203 8
## 424 225 170 16
## 425 248 203 8
## 426 248 203 8
## 427 248 203 8
## 428 248 202 8
## 429 248 202 8
## 430 227 191 7
## 431 248 202 8
## 432 248 202 8
## 433 248 203 8
## 434 248 202 8
## 435 248 203 8
## 436 219 184 7
## 437 248 203 8
## 438 248 203 8
## 439 233 192 8
## 440 197 106 84
## 441 230 193 29
## 442 224 198 32
## 443 246 183 22
## 444 238 197 11
## 445 126 168 104
## 446 248 203 8
## 447 220 190 40
## 448 243 199 8
## 449 248 202 8
## 450 227 192 7
## 451 222 186 7
## 452 248 203 8
## 453 246 202 11
## 454 200 172 7
## 455 235 200 21
## 456 248 203 8
## 457 245 199 8
## 458 199 173 6
## 459 226 189 7
## 460 196 152 140
## 461 241 197 8
## 462 248 202 8
## 463 204 203 188
## 464 165 169 139
## 465 189 153 42
## 466 160 21 95
## 467 248 204 10
## 468 214 183 53
## 469 174 189 83
## 470 230 193 135
## 471 224 215 194
## 472 177 189 78
## 473 201 11 103
## 474 208 199 178
## 475 200 120 36
## 476 237 193 8
## 477 162 31 77
## 478 229 215 180
## 479 159 164 103
## 480 224 206 84
## 481 188 116 64
## 482 53 26 11
## 483 187 161 6
## 484 213 194 4
## 485 247 202 8
## 486 212 173 8
## 487 248 203 8
## 488 200 170 7
## 489 216 178 8
## 490 244 200 8
## 491 245 200 8
## 492 157 125 24
## 493 212 219 102
## 494 245 200 8
## 495 225 186 8
## 496 215 197 3
## 497 233 191 8
## 498 183 152 8
## 499 212 177 7
## 500 225 185 8
## 501 199 165 8
## 502 248 203 8
## 503 218 183 7
## 504 174 100 27
## 505 241 198 8
## 506 186 146 9
## 507 223 191 6
## 508 248 202 8
## 509 239 195 8
## 510 190 156 8
## 511 248 203 8
## 512 228 193 9
## 513 236 196 10
## 514 248 203 8
## 515 207 195 49
## 516 222 185 7
## 517 236 193 8
## 518 248 202 8
## 519 243 199 10
## 520 248 203 8
## 521 248 202 8
## 522 248 203 8
## 523 248 203 8
## 524 244 200 8
## 525 248 203 8
## 526 230 188 8
## 527 212 195 4
## 528 203 184 15
## 529 192 166 6
## 530 214 194 4
## 531 186 178 50
## 532 196 192 59
## 533 153 164 67
## 534 246 202 10
## 535 248 203 8
## 536 248 203 8
## 537 248 202 8
## 538 248 203 8
## 539 235 200 21
## 540 215 190 10
## 541 248 202 8
## 542 181 157 7
## 543 205 177 6
## 544 188 169 7
## 545 156 131 8
## 546 235 192 8
## 547 234 193 10
## 548 248 202 8
## 549 248 202 8
## 550 248 203 8
## 551 248 203 8
## 552 248 203 8
## 553 248 203 8
## 554 248 203 8
## 555 248 202 8
## 556 210 172 8
## 557 235 194 8
## 558 228 150 30
## 559 222 142 32
## 560 196 64 66
## 561 175 38 70
## 562 175 8 92
## 563 176 116 26
## 564 222 177 9
## 565 217 179 16
## 566 247 202 8
## 567 226 185 8
## 568 237 193 8
## 569 248 202 8
## 570 240 196 8
## 571 246 201 8
## 572 230 186 9
## 573 248 203 8
## 574 232 190 8
## 575 199 145 12
## 576 209 178 7
## 577 248 202 8
## 578 214 201 83
## 579 204 134 28
## 580 183 133 18
## 581 202 187 51
## 582 160 154 11
## 583 144 174 22
## 584 154 128 92
## 585 229 181 8
## 586 180 47 66
## 587 183 104 35
## 588 188 102 37
## 589 178 119 21
## 590 211 168 11
## 591 206 168 8
## 592 248 203 8
## 593 244 199 8
## 594 217 176 8
## 595 218 170 8
## 596 232 190 8
## 597 209 220 113
## 598 201 161 8
## 599 148 182 104
## 600 170 168 21
## 601 166 172 68
## 602 184 164 6
## 603 176 153 8
## 604 222 183 8
## 605 216 173 8
## 606 222 187 7
## 607 196 168 8
## 608 206 176 6
## 609 184 140 8
## 610 191 154 8
## 611 202 185 4
## 612 218 182 7
## 613 216 184 7
## 614 238 195 8
## 615 248 202 8
## 616 218 182 8
## 617 222 181 8
## 618 248 203 8
## 619 248 203 8
## 620 248 203 8
## 621 248 202 8
## 622 248 202 8
## 623 182 149 8
## 624 224 184 8
## 625 224 188 7
## 626 248 202 8
## 627 213 185 6
## 628 248 202 8
## 629 248 205 8
## 630 245 200 11
## 631 174 145 8
## 632 242 198 8
## 633 232 189 8
## 634 248 200 8
## 635 236 193 8
## 636 227 189 8
## 637 205 174 7
## 638 175 149 7
## 639 248 202 8
## 640 248 204 8
## 641 248 203 8
## 642 245 201 12
## 643 212 182 6
## 644 248 203 8
## 645 248 202 8
## 646 134 167 89
## 647 212 171 8
## 648 177 189 82
## 649 72 165 158
## 650 199 194 55
## 651 204 176 17
## 652 168 152 15
## 653 187 160 7
## 654 248 202 8
## 655 217 195 39
## 656 248 202 8
## 657 248 203 8
## 658 248 202 8
## 659 210 180 9
## 660 217 178 8
## 661 215 174 8
## 662 248 202 8
## 663 165 133 8
## 664 183 147 8
## 665 164 134 8
## 666 198 167 22
## 667 206 123 36
## 668 248 203 8
## 669 210 9 107
## 670 183 149 8
## 671 232 189 8
## 672 248 203 8
## 673 248 202 8
## 674 248 203 8
## 675 245 199 8
## 676 216 177 8
## 677 248 203 8
## 678 248 203 8
## 679 192 158 8
## 680 248 202 8
## 681 203 167 8
## 682 185 126 8
## 683 177 121 8
## 684 206 175 25
## 685 172 157 54
## 686 234 226 118
## 687 235 191 8
## 688 209 176 7
## 689 206 198 82
## 690 177 138 7
## 691 221 197 57
## 692 238 194 8
## 693 237 194 8
## 694 248 202 8
## 695 193 127 8
## 696 204 193 83
## 697 210 187 36
## 698 168 137 10
## 699 214 172 8
## 700 242 197 8
## 701 146 156 33
## 702 237 200 19
## 703 248 203 8
## 704 223 169 8
## 705 190 109 9
## 706 122 102 8
## 707 137 116 33
## 708 248 202 8
## 709 205 170 8
## 710 245 201 8
## 711 248 203 8
## 712 165 131 28
## 713 227 178 8
## 714 248 203 8
## 715 208 154 8
## 716 240 193 10
## 717 226 180 8
## 718 200 173 9
## 719 147 140 18
## 720 248 200 8
## 721 248 203 8
## 722 248 202 8
## 723 236 193 10
## 724 199 90 54
## 725 222 166 8
## 726 248 202 8
## 727 237 193 8
## 728 181 114 8
## 729 199 155 8
## 730 207 160 8
## 731 248 203 8
## 732 218 190 42
## 733 120 155 112
## 734 199 162 8
## 735 143 116 8
## 736 172 126 9
## 737 197 139 9
## 738 214 173 8
## 739 248 203 8
## 740 248 202 8
## 741 155 164 10
## 742 176 179 38
## 743 200 169 7
## 744 233 190 8
## 745 224 180 8
## 746 198 147 8
## 747 221 134 8
## 748 192 180 62
## 749 212 191 100
## 750 209 164 8
## 751 242 198 8
## 752 193 143 8
## 753 244 196 8
## 754 248 202 8
## 755 248 248 235
## 756 248 202 8
## 757 201 202 93
## 758 226 174 8
## 759 246 201 8
## 760 221 170 8
## 761 244 200 8
## 762 172 118 38
## 763 240 197 8
## 764 248 203 8
## 765 214 174 8
## 766 248 200 8
## 767 174 120 21
## 768 165 155 110
## 769 213 168 8
## 770 138 128 106
## 771 228 191 7
## 772 248 202 8
## 773 248 202 8
## 774 114 113 108
## 775 231 189 8
## 776 222 169 8
## 777 248 203 8
## 778 189 143 7
## 779 190 172 5
## 780 248 203 8
## 781 248 203 8
## 782 137 112 10
## 783 226 199 31
## 784 85 178 170
## 785 93 178 178
## 786 197 177 25
## 787 113 177 132
## 788 105 87 8
## 789 209 176 7
## 790 155 185 97
## 791 194 163 7
## 792 222 198 36
## 793 162 187 95
## 794 113 177 138
## 795 248 200 8
## 796 61 170 199
## 797 81 186 232
## 798 145 152 66
## 799 147 155 70
## 800 205 153 12
## 801 125 153 17
## 802 124 82 20
## 803 136 95 43
## 804 154 124 102
## 805 148 93 70
## 806 179 77 50
## 807 34 162 206
## 808 171 182 67
## 809 110 176 136
## 810 201 190 50
## 811 212 174 27
## 812 113 92 8
## 813 223 173 13
## 814 90 74 8
## 815 128 157 134
## 816 146 14 73
## 817 228 166 23
## 818 208 107 51
## 819 184 115 28
## 820 144 65 62
## 821 204 118 38
## 822 248 203 8
## 823 248 203 8
## 824 222 177 8
## 825 220 156 18
## 826 153 8 76
## 827 243 153 42
## 828 221 191 84
## 829 215 186 67
## 830 160 157 10
## 831 246 202 8
## 832 218 206 147
## 833 184 113 60
## 834 182 203 109
## 835 193 186 71
## 836 169 168 29
## 837 248 203 8
## 838 156 128 34
## 839 185 126 23
## 840 183 106 35
## 841 239 195 8
## 842 190 105 38
## 843 212 144 22
## 844 154 103 9
R print de waarschuwing: “Transforming SpatialPolygons to the CRS of the Raster”. R heeft namelijk gezien dat de CRS/proj4string van beide objecten anders is. Een raster is erg lastig van projectie te veranderen, daarom veranderd R de projectie van de polygons. Het restullaat is zoals verwacht tamelijk nietszeggend. Al lijkt het nog enigszins op het originele raster.
energielabels@data <- cbind(energielabels@data,output)
plot(energielabels,col=rgb(energielabels@data$R,energielabels@data$G,energielabels@data$B,maxColorValue = 255))